論文の概要: Fragment-based Sequential Translation for Molecular Optimization

• arxiv url: http://arxiv.org/abs/2111.01009v1
• Date: Tue, 26 Oct 2021 21:20:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-07 11:45:00.382607
• Title: Fragment-based Sequential Translation for Molecular Optimization
• Title（参考訳）: 分子最適化のためのフラグメントに基づく逐次変換
• Authors: Benson Chen, Xiang Fu, Regina Barzilay, Tommi Jaakkola
• Abstract要約: 本稿では,分子断片を用いた分子生成のためのフレキシブルな編集パラダイムを提案する。 我々は変分オートエンコーダを用いて分子断片をコヒーレント潜在空間に符号化する。 そして、分子を編集して複雑な化学特性空間を探索する語彙として利用します。
• 参考スコア（独自算出の注目度）: 23.152338167332374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Searching for novel molecular compounds with desired properties is an important problem in drug discovery. Many existing frameworks generate molecules one atom at a time. We instead propose a flexible editing paradigm that generates molecules using learned molecular fragments--meaningful substructures of molecules. To do so, we train a variational autoencoder (VAE) to encode molecular fragments in a coherent latent space, which we then utilize as a vocabulary for editing molecules to explore the complex chemical property space. Equipped with the learned fragment vocabulary, we propose Fragment-based Sequential Translation (FaST), which learns a reinforcement learning (RL) policy to iteratively translate model-discovered molecules into increasingly novel molecules while satisfying desired properties. Empirical evaluation shows that FaST significantly improves over state-of-the-art methods on benchmark single/multi-objective molecular optimization tasks.
• Abstract（参考訳）: 望ましい性質を持つ新規な分子化合物の探索は、薬物発見の重要な問題である。 多くの既存のフレームワークは一度に1つの原子を生成する。 代わりに、学習された分子断片を用いて分子を生成するフレキシブルな編集パラダイムを提案する。 そこで我々は,変分オートエンコーダ(VAE)を訓練して,分子断片をコヒーレントな潜在空間にエンコードし,分子を編集して複雑な化学特性空間を探索する語彙として利用する。 学習されたフラグメント語彙を用いて,モデル発見分子を望ましい性質を満たしながら,新たな分子へと反復的に翻訳する強化学習(rl)ポリシーを学習するフラグメントに基づく逐次翻訳(fast)を提案する。 実証評価の結果, 単目的/多目的の分子最適化タスクにおいて, FaSTは最先端の手法よりも大幅に改善されている。

関連論文リスト

• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。 提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• Navigating Chemical Space with Latent Flows [20.95884505685799]
  本稿では,分子生成モデルによって学習された潜伏空間をフローを通して移動させることにより,化学空間を横断する新しいフレームワークであるChemFlowを提案する。 我々は,分子操作におけるChemFlowの有効性と,教師なしおよび教師なしの両方の分子発見条件下での単目的および多目的最適化タスクの有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T03:55:57Z)
• Empowering Molecule Discovery for Molecule-Caption Translation with Large Language Models: A ChatGPT Perspective [53.300288393173204]
  大規模言語モデル(LLM)は、様々なクロスモーダルタスクにおいて顕著なパフォーマンスを示している。 本研究では,分子カプセル翻訳のためのインコンテキストFew-Shot Molecule Learningパラダイムを提案する。 分子理解とテキストベースの分子生成を含む分子キャプション翻訳におけるMollReGPTの有効性を評価する。
  論文  参考訳（メタデータ） (2023-06-11T08:16:25Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• De Novo Molecular Generation via Connection-aware Motif Mining [197.97528902698966]
  我々は、マイニングされた接続認識モチーフに基づいて分子を生成する新しい方法、MiCaMを提案する。 得られたモチーフ語彙は、分子モチーフ(頻繁な断片)だけでなく、それらの接続情報も含む。 マイニングされた接続対応モチーフに基づいて、MiCaMは接続対応ジェネレータを構築し、同時にモチーフをピックアップし、どのように接続されているかを決定する。
  論文  参考訳（メタデータ） (2023-02-02T14:40:47Z)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
  分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。 我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。 提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-11-14T05:42:15Z)
• Goal directed molecule generation using Monte Carlo Tree Search [15.462930062711237]
  我々は,モンテカルロ木探索を用いて,各ステップで分子を単位変化させることにより分子生成を行う,ユニットMCTSと呼ばれる新しい手法を提案する。 本手法は,最近発表されたQEDやopalized logPといったベンチマーク分子最適化の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-30T17:49:59Z)
• A Deep Generative Model for Fragment-Based Molecule Generation [21.258861822241272]
  フラグメントと呼ばれる小さな分子サブ構造のための言語モデルを開発した。 言い換えれば、原子のフラグメントではなく、フラグメントによって分子のフラグメントを生成します。 実験により、我々のモデルは、他の言語モデルベースの競合よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-28T15:55:11Z)
• Multi-Objective Molecule Generation using Interpretable Substructures [38.637412590671865]
  薬物発見は、特定の化学的性質を持つ新規化合物を見つけることを目的としている。 目的は、複数の性質制約の交わりで分子をサンプリングすることを学ぶことである。 我々は、分子の合理性と呼ばれる部分構造の語彙から分子を構成することによって、この複雑さを相殺することを提案する。
  論文  参考訳（メタデータ） (2020-02-08T22:55:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。